Resumo

A temperatura do ar é um fator climático que afeta a incidência da dengue, com efeitos variando conforme o tempo e o espaço. Investigamos a relação entre a temperatura mínima do ar e a incidência da doença em Minas Gerais, Brasil, e avaliamos a influência de variáveis socioeconômicas e geográficas nessa relação, calculando-se o risco relativo (RR). Este é um estudo de série temporal com análise conduzida em três etapas distintas: modelagem por uso de distributed lag non-linear model (modelos não-lineares distributivos com defasagem), metanálise dos modelos obtidos e metarregressão com dados geográficos e socioeconômicos. A temperatura mínima foi um fator de proteção quando em temperaturas frias extremas (RR = 0,65; IC95%: 0,56-0,76) e moderadas (RR = 0,71; IC95%: 0,64-0,79) e fator de risco em temperaturas de calor moderado (RR = 1,15; IC95%: 1,07-1,24), mas não em extremo (RR = 1,1; IC95%: 0,99-1,22). A heterogeneidade dos modelos foi elevada (I² = 60%) e essa medida não foi alterada em metarregressão. Temperaturas frias moderadas e extremas causam efeito protetivo, enquanto moderadas quentes aumentam o risco. No entanto, a temperatura mínima do ar não explica nem a variabilidade da região, nem mesmo com as outras variáveis em metarregressão.

Palavras-chave:
Dengue; Clima; Fatores de Tempo; Temperatura

Abstract

Air temperature is a climatic factor that affects the incidence of dengue, with effects varying according to time and space. We investigated the relationship between minimum air temperature and dengue incidence in Minas Gerais, Brazil, and evaluated the influence of socioeconomic and geographic variables on this relationship. This is a time series study with analysis conducted in three distinct stages: modeling using a distributed lag non-linear model, meta-analysis of models obtained, and meta-regression with geographic and socioeconomic data. Minimum temperature was a protective factor at extreme cold temperatures (RR = 0.65; 95%CI: 0.56-0.76) and moderate cold temperatures (RR = 0.71; 95%CI: 0.64-0.79), and a risk factor at moderate hot temperatures (RR = 1.15; 95%CI: 1.07-1.24), but not at extreme hot temperatures (RR = 1.1; 95%CI: 0.99-1.22). Heterogeneity of the models was high (I² = 60%), which was also observed in meta-regression. Moderate and extreme cold temperatures have a protective effect, while moderate hot temperatures increase the risk. However, minimum air temperature does not explain the variability in the region, not even with the other variables in meta-regression.

Keywords:
Dengue; Climate; Time Factors; Temperature

Resumen

La temperatura del aire es un factor climático que afecta la incidencia del dengue, con efectos que varían según el tiempo y el territorio. Investigamos la relación entre la temperatura mínima del aire y la incidencia de la enfermedad en Minas Gerais, Brasil, y evaluamos la influencia de variables socioeconómicas y geográficas en esta relación. Se trata de un estudio de serie temporal cuyo análisis se realiza en tres etapas distintas: modelación mediante el uso de distributed lag non-linear model (modelos distributivos no lineales con retraso), metaanálisis de los modelos obtenidos y metarregresión con datos geográficos y socioeconómicos. La temperatura mínima fue un factor de protección ante temperaturas extremadamente frías (RR = 0,65; IC95%: 0,56-0,76) y moderadas (RR = 0,71; IC95%: 0,64-0,79) y factor de riesgo en temperaturas de calor moderado (RR = 1,15; IC95%: 1,07-1,24), pero no en extremo (RR = 1,1; IC95%: 0,99-1,22). La heterogeneidad de los modelos fue alta (I² = 60%), y esta medida no se modificó en la metarregresión. Las temperaturas frías moderadas y extremas tienen un efecto protector, mientras que las temperaturas moderadamente altas aumentan el riesgo. Sin embargo, la temperatura mínima del aire no explica la variabilidad de la región, ni siquiera con las demás variables en metarregresión.

Palabras-clave:
Dengue; Clima; Factores de Tiempo; Temperatura

Introdução

A dengue é uma infecção arboviral com quatro possíveis sorotipos (DENV 1-4) e em constante crescimento, com 100 a 400 milhões de novas infecções por ano, transmitida pelo mosquito Aedes aegypti¹1. Brady OJ, Hay SI. The global expansion of dengue: how mosquitoes enabled the first pandemic arbovirus. Annu Rev Entomol 2020; 65:191-208.. Ela é uma das principais doenças tropicais negligenciadas no mundo ²2. Guzman MG, Gubler DJ, Izquierdo A, Martinez E, Halstead SB. Dengue infection. Nat Rev Dis Primers 2016; 2:16055., sendo endêmica na maior parte do Brasil e com recorrentes epidemias no país ³3. Teixeira MG, Siqueira Jr. JB, Ferreira GLC, Bricks L, Joint G. Epidemiological trends of dengue disease in Brazil (2000-2010): a systematic literature search and analysis. PLoS Negl Trop Dis 2013; 7:e2520.. Embora exista relação entre as faixas de latitude e a frequência dos casos de dengue no Brasil ⁴4. Antonio FJ, Itami AS, de Picoli S, Teixeira JJV, Mendes RS. Spatial patterns of dengue cases in Brazil. PLoS One 2017; 12:e0180715., a doença está se expandindo para além das faixas geográficas convencionais, tornando-se cada vez mais frequente nas regiões ao sul do país ⁵5. Barcellos C, Lowe R. Expansion of the dengue transmission area in Brazil: the role of climate and cities. Trop Med Int Health 2014; 19:159-68..

O Estado de Minas Gerais é o segundo mais populoso do país e apresenta um clima predominantemente tropical e temperado quente, mas com pequenas regiões ao norte com clima árido, segundo a classificação de Köppen ⁶6. Martins FB, Gonzaga G, Dos Santos DF, Reboita MS. Classificação climática de Köppen e de Thornthwaite para Minas Gerais: cenário atual e projeções futuras. Revista Brasileira de Climatologia 2018; Edição especial:129-56.. Dessa maneira, abrange ambientes normalmente favoráveis à infestação de A. aegypti e, consequentemente, uma elevada incidência de dengue ⁷7. Ávila LF, Mello CR, Yanagi SNM, Sacramento Neto OB. Tendências de temperaturas mínimas e máximas do ar no Estado de Minas Gerais. Pesquisa Agropecuária Brasileira 2014; 49:247-56.. O resultado desse conjunto de fatores torna Minas Gerais o segundo com o maior número de casos de dengue no Brasil nos últimos dez anos, com recentes epidemias na sua capital, Belo Horizonte, bem como em outras cidades, resultando em um grande problema de saúde pública ⁸8. Departamento de Informática do SUS. Tabnet. https://datasus.saude.gov.br/ (acessado em 29/Nov/2022).
https://datasus.saude.gov.br/... .

Fatores de riscos sociais, econômicos, demográficos e, principalmente, climáticos têm grande influência no comportamento epidemiológico da dengue ⁹9. Bavia L, Melanda FN, de Arruda TB, Mosimann ALP, Silveira GF, Aoki MN, et al. Epidemiological study on dengue in southern Brazil under the perspective of climate and poverty. Sci Rep 2020; 10:2127.. Dessa maneira, densidade populacional, urbanização, mobilidade urbana, além de acesso a água e saneamento básico, são importantes variáveis que alteram o intercurso da arbovirose e de sua incidência ¹⁰10. Lowe R, Lee SA, O'Reilly KM, Brady OJ, Bastos L, Carrasco-Escobar G, et al. Combined effects of hydrometeorological hazards and urbanisation on dengue risk in Brazil: a spatiotemporal modelling study. Lancet Planet Health 2021; 5:e209-19.. Contudo, por serem fatores que caracteristicamente apresentarem mudanças lentas e graduais, impossibilitam a investigação de associações em intervalos curtos de tempo. Isso não se aplica aos fatores climáticos, em particular à temperatura do ar, que demonstra uma forte correlação com a dengue e seu vetor, sendo prontamente disponível em diversas escalas temporais. Isso permite uma análise detalhada e diária, contribuindo para uma compreensão mais precisa da magnitude e sazonalidade dessa doença ¹¹11. Gui H, Gwee S, Koh J, Pang J. Weather factors associated with reduced risk of dengue transmission in an urbanized tropical city. Int J Environ Res Public Health 2021; 19:339..

Variáveis climáticas têm grande influência na taxa de desenvolvimento, na sobrevivência, no comportamento, na reprodução e na criação de ambientes propícios para o vetor da dengue, bem como na replicação viral, nos períodos de incubação e na transmissibilidade do vírus ¹⁰10. Lowe R, Lee SA, O'Reilly KM, Brady OJ, Bastos L, Carrasco-Escobar G, et al. Combined effects of hydrometeorological hazards and urbanisation on dengue risk in Brazil: a spatiotemporal modelling study. Lancet Planet Health 2021; 5:e209-19.^,1212. Morin CW, Comrie AC, Ernst K. Climate and dengue transmission: evidence and implications. Environ Health Perspect 2013; 121:1264-72.. Essa influência está ligada a variáveis diversas, como índices de seca ¹⁰10. Lowe R, Lee SA, O'Reilly KM, Brady OJ, Bastos L, Carrasco-Escobar G, et al. Combined effects of hydrometeorological hazards and urbanisation on dengue risk in Brazil: a spatiotemporal modelling study. Lancet Planet Health 2021; 5:e209-19.^,1313. Lowe R, Gasparrini A, Van Meerbeeck CJ, Lippi CA, Mahon R, Trotman AR, et al. Nonlinear and delayed impacts of climate on dengue risk in Barbados: a modelling study. PLoS Med 2018; 15:e1002613., de poluição ¹¹11. Gui H, Gwee S, Koh J, Pang J. Weather factors associated with reduced risk of dengue transmission in an urbanized tropical city. Int J Environ Res Public Health 2021; 19:339., precipitação e seus padrões ¹¹11. Gui H, Gwee S, Koh J, Pang J. Weather factors associated with reduced risk of dengue transmission in an urbanized tropical city. Int J Environ Res Public Health 2021; 19:339.^,1414. Meng H, Xiao J, Liu T, Zhu Z, Gong D, Kang M, et al. The impacts of precipitation patterns on dengue epidemics in Guangzhou city. Int J Biometeorol 2021; 65:1929-37., além da temperatura do ar ¹²12. Morin CW, Comrie AC, Ernst K. Climate and dengue transmission: evidence and implications. Environ Health Perspect 2013; 121:1264-72.. Essa última aparece como um dos fatores mais importantes, ao influenciar em todas as fases da vida do vetor e do ciclo do vírus, limitando, permitindo e controlando cada um de seus aspectos ¹²12. Morin CW, Comrie AC, Ernst K. Climate and dengue transmission: evidence and implications. Environ Health Perspect 2013; 121:1264-72..

Dessa forma, embora a relação entre a temperatura do ar e a doença seja largamente explorada, carecem inferências quantitativas e abrangentes do efeito dessa variável em uma área como Minas Gerais, com grande número de municípios e heterogeneidade entre eles. Adicionalmente, o efeito de temperaturas do ar extremas, cada vez mais frequentes devido às mudanças climáticas, pode afetar a transmissão e as epidemias de dengue, modificando o padrão da doença e dificultando estratégias de intervenção no contexto de saúde coletiva ¹²12. Morin CW, Comrie AC, Ernst K. Climate and dengue transmission: evidence and implications. Environ Health Perspect 2013; 121:1264-72.^,1515. Naish S, Dale P, Mackenzie JS, McBride J, Mengersen K, Tong S. Climate change and dengue: a critical and systematic review of quantitative modelling approaches. BMC Infect Dis 2014; 14:167.. Além disso, contribuem para a complexidade dessa relação os fatores humanos descritos anteriormente, como imunidade, influências socioeconômicas e comportamentais ¹²12. Morin CW, Comrie AC, Ernst K. Climate and dengue transmission: evidence and implications. Environ Health Perspect 2013; 121:1264-72.. Portanto, entender como o tamanho do efeito da temperatura do ar em uma escala diária e se ater a influências socioeconômicas e geográficas pode gerar importantes informações para o planejamento de estratégias atuais e futuras para a prevenção e o entendimento da dinâmica da dengue.

Neste trabalho, visamos contribuir na complexa investigação da relação diária, não linear e em defasagem, da associação entre casos de dengue e a temperatura do ar sobre as microrregiões do Estado de Minas Gerais. Dessa maneira, este é um estudo de série temporal no qual descrevemos a distribuição dos casos de dengue em todas as microrregiões de Minas Gerais e analisamos a relação entre a temperatura mínima do ar e a incidência dessa doença na maior parte dessas microrregiões. Em conjunto, também avaliamos essa relação com outras variáveis socioeconômicas e geográficas.

Metodologia

Área de estudo e dados da dengue

Minas Gerais é o segundo estado mais populoso do Brasil, com uma população estimada em 21.411.923 pessoas em 2021 ¹⁶16. Instituto Brasileiro de Geografia e Estatística. Minas Gerais. https://www.ibge.gov.br/cidades-e-estados/mg/ (acessado em 29/Nov/2022).
https://www.ibge.gov.br/cidades-e-estado... . De acordo com a divisão geográfica regional de Minas Gerais, vigente na maior parte do período do estudo, o estado contém 12 mesorregiões subdivididas em 66 microrregiões - grupos de municípios limítrofes com características socioeconômicas comuns - com 853 municípios no total ⁸8. Departamento de Informática do SUS. Tabnet. https://datasus.saude.gov.br/ (acessado em 29/Nov/2022).
https://datasus.saude.gov.br/... ^,1616. Instituto Brasileiro de Geografia e Estatística. Minas Gerais. https://www.ibge.gov.br/cidades-e-estados/mg/ (acessado em 29/Nov/2022).
https://www.ibge.gov.br/cidades-e-estado... .

Entre as 66 microrregiões do estado, apenas 38 foram selecionadas para a modelagem deste estudo, segundo o critério de inclusão estabelecido. Sul e Sudoeste de Minas, Vale do Rio Doce e Jequitinhonha foram as mesorregiões com mais microrregiões excluídas, seis, cinco e cinco, respectivamente. Apenas uma microrregião foi incluída nas mesorregiões de Campo das Vertentes e Vale do Mucuri, enquanto Jequitinhonha foi totalmente excluída. As mesorregiões da Zona da Mata e do Triângulo Mineiro e Alto Paranaíba apresentaram o maior número de microrregiões, ambas com sete. As demais mesorregiões tiveram entre duas e cinco microrregiões incluídas (Figura 1).

Os bancos de microdados de notificação de dengue do Sistema de Informação de Agravos de Notificação (SINAN) para o período de 2013-2019 foram obtidos no Departamento de Informática do SUS (DATASUS); para o período de 2010-2012, foram solicitados ao Ministério da Saúde via Lei de Acesso à Informação ¹⁷17. Brasil. Lei nº 12.527, de 18 de novembro de 2011. Regula o acesso a informações previsto no inciso XXXIII do art. 5º, no inciso II do § 3º do art. 37 e no § 2º do art. 216 da Constituição Federal; altera a Lei nº 8.112, de 11 de dezembro de 1990; revoga a Lei nº 11.111, de 5 de maio de 2005, e dispositivos da Lei nº 8.159, de 8 de janeiro de 1991; e dá outras providências. Diário Oficial da União 2011; 18 nov.. Notificações identificadas oficialmente como casos duplicados ou descartados foram excluídas. A seguir, os dados foram tabulados no programa R (http://www.r-project.org) por frequência diária de casos por microrregião, entre o início de 2010 e o último dia de 2019. Esse período foi utilizado tendo em vista que análises exploratórias demonstraram maior consistência e qualidade dos dados. Informações referentes a todas as microrregiões foram utilizadas para a análise descritiva. Contudo, para inclusão na modelagem, a partir de critérios metodológicos e análise exploratória, foi estabelecido uma quantidade mínima de 10 mil casos no período analisado, já que a elevada frequência de dias sem casos, com variabilidade aleatória maior, levaria a estimativas altamente imprecisas ou erros de iteração, prejudicando a confiabilidade da metanálise subsequente.

Dados meteorológicos, geográficos e socioeconômicos

Dados de temperatura do ar foram obtidos por meio do modelo de reanálise ERA5 ¹⁸18. Copernicus Climate Change Service. Agrometeorological indicators from 1979 up to 2019 derived from reanalysis. https://cds.climate.copernicus.eu/doi/10.24381/cds.6c68c9bb (acessado em 29/Nov/2022).
https://cds.climate.copernicus.eu/doi/10... , dados diários de variáveis meteorológicas agregados a partir de um modelo horário construído pelo Centro Europeu de Previsões Meteorológicas a Médio Prazo (ECMWF; European Centre for Medium-Range Weather Forecasts) que apresenta um dataset completo e consistente, gerado a partir de observações e com modelagem baseada nas leis da Física, tendo resolução espacial de 0,1º ¹⁸18. Copernicus Climate Change Service. Agrometeorological indicators from 1979 up to 2019 derived from reanalysis. https://cds.climate.copernicus.eu/doi/10.24381/cds.6c68c9bb (acessado em 29/Nov/2022).
https://cds.climate.copernicus.eu/doi/10... . Nesse caso, esses dados foram agregados em média para cada microrregião. Foram extraídos dados de coordenadas dos centroides e da altitude média de cada microrregião, a partir do uso das bibliotecas do programa R, terra e elevatr (https://zenodo.org/record/5809645). Para essa análise, as temperaturas dos percentis p2,5, p10, p90 e p97,5 foram consideradas, respectivamente, como extremamente frias, moderadamente frias, moderadamente quentes e extremamente quentes.

Dados referentes ao acesso a saneamento básico e coleta de lixo e à urbanização foram obtidos a partir do Instituto Brasileiro de Geografia e Estatística (IBGE) por meio do DATASUS, sendo referentes ao Censo Demográfico de 2010. Produto interno bruto (PIB), população e PIB per capita foram adquiridos a partir de estimativas anuais do IBGE ¹⁹19. Instituto Brasileiro de Geografia e Estatística. Downloads. https://www.ibge.gov.br/estatisticas/downloads-estatisticas.html (acessado em 29/Nov/2022).
https://www.ibge.gov.br/estatisticas/dow... .

As variáveis na metarregressão foram adicionadas por sua fácil disponibilidade e alta qualidade na área de estudo, além de relações com o desfecho encontradas em estudos prévios ⁹9. Bavia L, Melanda FN, de Arruda TB, Mosimann ALP, Silveira GF, Aoki MN, et al. Epidemiological study on dengue in southern Brazil under the perspective of climate and poverty. Sci Rep 2020; 10:2127.^,1010. Lowe R, Lee SA, O'Reilly KM, Brady OJ, Bastos L, Carrasco-Escobar G, et al. Combined effects of hydrometeorological hazards and urbanisation on dengue risk in Brazil: a spatiotemporal modelling study. Lancet Planet Health 2021; 5:e209-19.^,2020. Ordoñez-Sierra G, Sarmiento-Senior D, Jaramillo Gomez JF, Giraldo P, Porras Ramírez A, Olano VA. Multilevel analysis of social, climatic and entomological factors that influenced dengue occurrence in three municipalities in Colombia. One Health 2021; 12:100234.^,2121. Morgan J, Strode C, Salcedo-Sora JE. Climatic and socio-economic factors supporting the co-circulation of dengue, Zika and chikungunya in three different ecosystems in Colombia. PLoS Negl Trop Dis 2021; 15:e0009259..

Análise estatística

Este foi um estudo agregado e ecológico de análise de séries temporais realizado em três etapas: (1) uso conjunto de um modelo aditivo generalizado (GAM; generalized additive model) e um modelos não-lineares distributivos com defasagem (DLNM; distributed lag non-linear model) para estimar a associação em cada microrregião; (2) metanálise dos modelos para a síntese da relação da temperatura mínima do ar e os casos de dengue; (3) metarregressão com variáveis geográficas e socioeconômicas que poderiam ser explicativas quanto à heterogeneidade nas medidas de associação. Todas as análises foram realizadas no software estatístico R e foi estabelecido um intervalo de 95% de confiança (IC95%).

Etapa 1: GAM e DLNM

Foi utilizada uma aplicação em conjunto de um GAM e um DLNM, na qual a temperatura mínima do ar era a variável preditiva. Essa temperatura foi escolhida com base em estudos anteriores que demonstraram essa variável como melhor preditor quando comparado com as temperaturas médias e máximas ¹⁰10. Lowe R, Lee SA, O'Reilly KM, Brady OJ, Bastos L, Carrasco-Escobar G, et al. Combined effects of hydrometeorological hazards and urbanisation on dengue risk in Brazil: a spatiotemporal modelling study. Lancet Planet Health 2021; 5:e209-19.^,1313. Lowe R, Gasparrini A, Van Meerbeeck CJ, Lippi CA, Mahon R, Trotman AR, et al. Nonlinear and delayed impacts of climate on dengue risk in Barbados: a modelling study. PLoS Med 2018; 15:e1002613.^,2222. Stewart-Ibarra AM, Lowe R. Climate and non-climate drivers of dengue epidemics in southern coastal Ecuador. Am J Trop Med Hyg 2013; 88:971-81.^,2323. Chowell G, Torre CA, Munayco-Escate C, Suárez-Ognio L, López-Cruz R, Hyman JM, et al. Spatial and temporal dynamics of dengue fever in Peru: 1994-2006. Epidemiol Infect 2008; 136:1667-77.. Para a construção do modelo, foi feita uma seleção sistemática dos parâmetros do modelo com base na menor soma dos critérios de informação de Akaike (AIC; Akaike information criterion) das microrregiões em cada variação de modelagem ¹⁰10. Lowe R, Lee SA, O'Reilly KM, Brady OJ, Bastos L, Carrasco-Escobar G, et al. Combined effects of hydrometeorological hazards and urbanisation on dengue risk in Brazil: a spatiotemporal modelling study. Lancet Planet Health 2021; 5:e209-19.^,2424. Gasparrini A, Armstrong B, Kenward MG. Multivariate meta-analysis for non-linear and other multi-parameter associations. Stat Med 2012; 31:3821-39.. Essa seleção foi realizada por uma eliminação seriada em que primeiramente foram selecionados os graus de liberdade do spline do tempo, seguidos do intervalo da defasagem a ser analisado e, por fim, da introdução da população como offset.

O modelo final teve como parâmetros: um crossbasis de 25 dias de lag da temperatura mínima do ar como variável preditiva; um spline do tempo de 8 graus de liberdade por ano para controle de fatores temporais de longo prazo; os dias da semana como controle para variações de curto prazo; e, devido a uma diferença de AIC desprezível, a população como offset não foi incluída. Como medida de comparação usada para a construção do risco relativo (RR), foi utilizada a média da temperatura mínima de todas as regiões incluídas.

Etapa 2: metanálise

Os modelos gerados pela primeira etapa passaram por uma redução de dimensionalidade conforme Gasparrini et al. ²⁴24. Gasparrini A, Armstrong B, Kenward MG. Multivariate meta-analysis for non-linear and other multi-parameter associations. Stat Med 2012; 31:3821-39.. Foi utilizada a biblioteca mvmeta para construir a metanálise de efeitos aleatórios. Esse tipo de modelo foi escolhido a partir da heterogeneidade do efeito da temperatura sobre as diversas microrregiões e o objetivo de analisar o seu efeito sobre a maior parte do estado ²⁵25. Borenstein M, Hedges LV, Higgins JPT, Rothstein HR. A basic introduction to fixed-effect and random-effects models for meta-analysis. Res Synth Methods 2010; 1:97-111.^,2626. Dettori JR, Norvell DC, Chapman JR. Fixed-effect vs random-effects models for meta-analysis: 3 points to consider. Global Spine J 2022; 12:1624-6.. Em seguida, foi feita a análise da curva do RR acumulado, dos riscos em cada uma das temperaturas moderadas e extremas e da heterogeneidade dos resultados, por meio do resultado da medida estatística I²²⁷27. Higgins JPT, Thompson SG. Quantifying heterogeneity in a meta-analysis. Stat Med 2002; 21:1539-58..

Etapa 3: metarregressão

Tendo em vista a alta heterogeneidade dos resultados, variáveis geográficas (latitude e longitude dos centroides e altitude média) e socioeconômicas (acesso à saneamento básico, acesso à coleta de lixo, urbanização, PIB, população e PIB per capita) foram introduzidas uma a uma no modelo final. Foi realizado o teste de Wald para avaliar se a introdução de uma dessas novas variáveis como efeito fixo levaria à diminuição da heterogeneidade do modelo. Resultados significantes nesse teste foram introduzidos em uma metarregressão e os percentis 10 e 90 da variável foram utilizados para demonstrar seus efeitos sobre a metanálise final ²⁴24. Gasparrini A, Armstrong B, Kenward MG. Multivariate meta-analysis for non-linear and other multi-parameter associations. Stat Med 2012; 31:3821-39.^,2828. Gasparrini A, Armstrong B. Reducing and meta-analysing estimates from distributed lag non-linear models. BMC Med Res Methodol 2013; 13:1..

Resultados

Análise descritiva dos dados de casos

As 66 microrregiões de Minas Gerais totalizaram 2.016.686 de casos no intervalo de 2010 a 2019. Nessas microrregiões, a média de casos diários variou de próxima a 0 até 244. A cidade com maior número de casos (891.462) e também maior máxima diária (5.691) foi Belo Horizonte. Dados relativos à distribuição de casos em cada microrregião podem ser encontrados na Tabela 1.

É possível perceber um aspecto cíclico, já que em anos diferentes temos picos de incidência em diferentes magnitudes (Figura 2a) e sazonal, devido à concentração de casos entre os primeiros cinco meses do ano (Figura 2b). Outro ponto a ser ressaltado é a distribuição de casos por dia da semana (Figura 2c). A grande concentração de casos nos dias úteis é um fato esperado, já que, nos finais de semana, é comum o menor funcionamento do sistema de saúde. Esse fenômeno justifica a introdução dos dias da semana como uma maneira de controlar efeitos a curto prazo no processo de modelagem diária. Quando avaliada a distribuição dos casos por meses em cada ano e microrregiões, é possível notar o caráter cíclico das epidemias de dengue, que, nos dados apresentados, tornam-se mais intensas a cada três anos, aproximadamente, bem como há maior notificação de casos nos meses de dezembro a junho (Figura 2d).

Análise descritiva da temperatura mínima

A distribuição da temperatura mínima também se mostrou bastante heterogênea, sendo que a menor temperatura mínima do ar foi de 2,5ºC em Pouso Alegre e a maior foi de 26,5ºC em Frutal e Ituiutaba. A região sul do estado apresentou as menores médias de temperaturas mínimas, as mesorregiões Sul e Sudoeste de Minas, Campo das Vertentes e Metropolitana de Belo Horizonte apresentaram as microrregiões com as menores médias de temperaturas mínimas, principalmente: Itajubá (13,6ºC), Barbacena (14,8ºC) e Conselheiro Lafaiete (15ºC), respectivamente. Em contrapartida, as mesorregiões do Triângulo Mineiro e Alto Paranaíba, Norte de Minas e Vale do Rio Doce destacam-se pelas microrregiões com as médias de temperaturas mínimas mais elevadas. Elas têm como principais representantes, nessa ordem, as microrregiões de Ituiutaba (20,4ºC), Januária (20,2ºC) e Governador Valadares (19,7ºC) (Tabela 2; Figura 3).

Metanálise

A metanálise de efeitos aleatórios das 38 microrregiões revelou a temperatura mínima como um fator de proteção quando em temperaturas frias extremas (RR = 0,65; IC95%: 0,56-0,76) e moderadas (RR = 0,71; IC95%: 0,64-0,79) e fator de risco em temperaturas de calor moderado (RR = 1,15; IC95%: 1,07-1,24), mas não em extremo (RR = 1,1; IC95%: 0,99-1,22) (Tabela 3; Figura 4a). A partir da estatística I², foi percebida grande heterogeneidade nos modelos (I² = 60%).

Metarregressão

Tendo em vista a grande heterogeneidade entre as medidas de associação entre os modelos, foi realizada a introdução de variáveis socioeconômicas e geográficas no modelo para avaliação dessas medidas como explicativas da variação entre microrregiões (Tabela 4). O único teste de Wald com resultado significativo foi relacionado à altitude média da microrregião (p = 0,006), que revelou uma diminuição de 1,9% da medida de I² (58,1%), não a alterando de maneira importante.

Nesse sentido, ao reanalisar as medidas de associação em cada faixa de temperatura, considerando níveis de elevação nos percentis 10 e 90, pouca mudança pôde ser percebida, sendo todas as novas medidas pontuais contidas pelo IC95% das medidas do modelo base (Figuras 4b e 4c).

Discussão

Os achados apresentados neste estudo demonstram uma relação não linear entre a temperatura mínima do ar e a incidência de dengue, sendo essa variável fator de risco e de proteção dependendo de sua intensidade: foi possível perceber que o frio moderado e extremo se comporta como fator protetivo, enquanto o calor moderado se associa como fator de risco. Esse tipo de relação é observada em experimentos laboratoriais que demonstram a temperatura como um dos principais fatores abióticos a influenciar a fisiologia e sobrevivência do mosquito A. aegypti e também do vírus da dengue ²⁹29. Carrington LB, Armijos MV, Lambrechts L, Barker CM, Scott TW. Effects of fluctuating daily temperatures at critical thermal extremes on Aedes aegypti life-history traits. PLoS One 2013; 8:e58824.^,3030. Reinhold JM, Lazzari CR, Lahondère C. Effects of the environmental temperature on and mosquitoes: a review. Insects 2018; 9:158.^,3131. Padmanabha H, Correa F, Legros M, Nijhout HF, Lord C, Lounibos LP. An eco-physiological model of the impact of temperature on Aedes aegypti life history traits. J Insect Physiol 2012; 58:1597-608..

Nesse sentido, estudos revelam que, em temperaturas do ar menores que 8ºC, as larvas do mosquito não se movem e morrem em poucos dias, enquanto o mosquito adulto se torna entorpecido e incapaz de se mover em temperaturas menores de 10ºC ³⁰30. Reinhold JM, Lazzari CR, Lahondère C. Effects of the environmental temperature on and mosquitoes: a review. Insects 2018; 9:158.. Por outro lado, o desenvolvimento, desde a eclosão dos ovos até a fase adulta do mosquito, é mais curto em temperaturas do ar mais altas e em boas condições alimentares, mas seu desenvolvimento cessa acima de 36ºC. Assim, estima-se que a faixa de temperatura ideal para desenvolvimento do vetor seja de 16ºC a 34ºC ³⁰30. Reinhold JM, Lazzari CR, Lahondère C. Effects of the environmental temperature on and mosquitoes: a review. Insects 2018; 9:158..

Considerando a enorme influência do mosquito vetor na dinâmica da dengue, poderíamos supor que temperaturas mínimas extremamente frias levariam a um menor RR ³¹31. Padmanabha H, Correa F, Legros M, Nijhout HF, Lord C, Lounibos LP. An eco-physiological model of the impact of temperature on Aedes aegypti life history traits. J Insect Physiol 2012; 58:1597-608.^,3232. Chan M, Johansson MA. The incubation periods of dengue viruses. PLoS One 2012; 7:e50972.. Por sua vez, esse risco aumentaria gradualmente com a elevação das temperaturas e retornaria a diminuir ao atingir temperaturas quentes extremas. No entanto, esse fenômeno foi apenas parcialmente verdadeiro em nosso estudo, uma vez que não foi possível observar um efeito significativo das temperaturas quentes extremas no RR do desfecho em nossa metanálise.

Outra variável de grande importância presente nos modelos apresentados e resumidos em nossa metanálise foi o tempo, mais especificamente o lag. A biologia do mosquito e a dinâmica epidemiológica da dengue demanda tempo: para que a doença se espalhe, é necessária a procriação, o desenvolvimento e o contato dos mosquitos com o vírus e, também, a incubação no vetor, a inoculação da dengue em um hospedeiro humano, a incubação nesse hospedeiro e a procura ao serviço de saúde pelo indivíduo ¹⁵15. Naish S, Dale P, Mackenzie JS, McBride J, Mengersen K, Tong S. Climate change and dengue: a critical and systematic review of quantitative modelling approaches. BMC Infect Dis 2014; 14:167.^,3232. Chan M, Johansson MA. The incubation periods of dengue viruses. PLoS One 2012; 7:e50972.. Assim, o uso de modelos que analisam exposições e a influência delas em um acumulado de tempo permitem que efeitos de difícil interpretação sejam melhor detalhados e representados ¹⁵15. Naish S, Dale P, Mackenzie JS, McBride J, Mengersen K, Tong S. Climate change and dengue: a critical and systematic review of quantitative modelling approaches. BMC Infect Dis 2014; 14:167.^,3333. Gasparrini A, Armstrong B, Kenward MG. Distributed lag non-linear models. Stat Med 2010; 29:2224-34.. Dessa maneira, seguindo a linha de estudos que apontam a importância de variáveis como índices de seca e a própria temperatura mínima em escalas temporais maiores ¹⁰10. Lowe R, Lee SA, O'Reilly KM, Brady OJ, Bastos L, Carrasco-Escobar G, et al. Combined effects of hydrometeorological hazards and urbanisation on dengue risk in Brazil: a spatiotemporal modelling study. Lancet Planet Health 2021; 5:e209-19.^,1313. Lowe R, Gasparrini A, Van Meerbeeck CJ, Lippi CA, Mahon R, Trotman AR, et al. Nonlinear and delayed impacts of climate on dengue risk in Barbados: a modelling study. PLoS Med 2018; 15:e1002613., nosso estudo demonstra como a temperatura mínima, uma variável facilmente observável, pode servir como um fator de alerta a profissionais de saúde em uma escala diária acumulada de tempo.

O tempo de desenvolvimento da larva do mosquito, sua sobrevivência e a reprodução do A. aegypti adulto são variáveis que dependem, de formas diferentes, da temperatura da água em que se encontram e da sua flutuação ²⁹29. Carrington LB, Armijos MV, Lambrechts L, Barker CM, Scott TW. Effects of fluctuating daily temperatures at critical thermal extremes on Aedes aegypti life-history traits. PLoS One 2013; 8:e58824., sendo que a temperatura da água, intimamente relacionada à temperatura do ar ³⁴34. Webb BW, Nobilis F. Long-term perspective on the nature of the air-water temperature relationship: a case study. Hydrol Process 1997; 11:137-47., é inversamente proporcional ao tempo de desenvolvimento da eclosão do ovo do mosquito até a sua fase adulta ¹⁵15. Naish S, Dale P, Mackenzie JS, McBride J, Mengersen K, Tong S. Climate change and dengue: a critical and systematic review of quantitative modelling approaches. BMC Infect Dis 2014; 14:167.. Somado a isso, a temperatura do ar tem importância no que diz respeito ao tempo de incubação extrínseca da doença (no mosquito) e intrínseca (no ser humano) ³²32. Chan M, Johansson MA. The incubation periods of dengue viruses. PLoS One 2012; 7:e50972., influenciando esses períodos também de maneira não linear.

Até o momento, a maior parte dos estudos que analisam a relação entre a dengue e a temperatura do ar se utilizam de agregados de dados mensais ou semanais ¹⁰10. Lowe R, Lee SA, O'Reilly KM, Brady OJ, Bastos L, Carrasco-Escobar G, et al. Combined effects of hydrometeorological hazards and urbanisation on dengue risk in Brazil: a spatiotemporal modelling study. Lancet Planet Health 2021; 5:e209-19.^,1313. Lowe R, Gasparrini A, Van Meerbeeck CJ, Lippi CA, Mahon R, Trotman AR, et al. Nonlinear and delayed impacts of climate on dengue risk in Barbados: a modelling study. PLoS Med 2018; 15:e1002613.^,3535. Ramadona AL, Lazuardi L, Hii YL, Holmner Å, Kusnanto H, Rocklöv J. Prediction of dengue outbreaks based on disease surveillance and meteorological data. PLoS One 2016; 11:e0152688.^,3636. Xu HY, Fu X, Lee LKH, Ma S, Goh KT, Wong J, et al. Statistical modeling reveals the effect of absolute humidity on dengue in Singapore. PLoS Negl Trop Dis 2014; 8:e2805., que, apesar de mais facilmente encontrados, não produzem estimativas relacionadas a uma evolução de curto prazo da doença. Nosso estudo é um dos primeiros a utilizar variáveis diárias em sua análise.

No mais, outro importante resultado encontrado em nosso estudo foi o fato que, por mais que a temperatura mínima do ar tenha grande relação com a dengue, a forma que ela impacta a incidência é bastante diferente dependendo da microrregião de Minas Gerais. Foi constatado um alto grau de heterogeneidade das medidas de associação na metanálise, de modo que variáveis geográficas e socioeconômicas foram introduzidas no modelo definitivo para a avaliação, mas que, todavia, não causaram alterações relevantes no modelo. Isso leva à possibilidade de que variáveis explicativas de diferenças entre as microrregiões podem estar relacionadas a questões como efetividade de campanhas de educação e prevenção contra a dengue, tipo de urbanização, distribuição espacial de moradias, padrão de residência e mobilidade populacional, fenômenos já descritos na literatura com o potencial afetar a incidência da dengue ³⁷37. Johansen IC, Castro MC, Alves LC, Carmo RL. Population mobility, demographic, and environmental characteristics of dengue fever epidemics in a major city in Southeastern Brazil, 2007-2015. Cad Saúde Pública 2021; 37:e00079620.^,3838. Matysiak A, Roess A. Interrelationship between climatic, ecologic, social, and cultural determinants affecting dengue emergence and transmission in Puerto Rico and their implications for zika response. J Trop Med 2017; 2017:8947067.. Entretanto, essas variáveis são de difícil mensuração ou não estão disponíveis em todas as microrregiões analisadas.

O estudo de variáveis e métodos capazes de modelar e atualizar perspectivas relacionadas à dengue desempenha um papel crucial no entendimento da carga dessa doença a longo prazo e na preparação do sistema de saúde a curto e médio prazo. Especialmente quando se emprega uma variável climática como fator de predição, torna-se viável analisar as possíveis tendências da carga da doença nas predições atuais da emergência climática, o que pode fornecer perspectivas relacionadas ao seu impacto social e financeiro em diferentes cenários climáticos futuros ³⁹39. He C, Kim H, Hashizume M, Lee W, Honda Y, Kim SE, et al. The effects of night-time warming on mortality burden under future climate change scenarios: a modelling study. Lancet Planet Health 2022; 6:e648-57.^,4040. Siqueira Junior JB, Massad E, Lobao-Neto A, Kastner R, Oliver L, Gallagher E. Epidemiology and costs of dengue in Brazil: a systematic literature review. Int J Infect Dis 2022; 122:521-8.. No que diz respeito ao cenário de curto a médio prazo, a perspectiva de desenvolver um sistema de antecipação de surtos e epidemias tem despertado o interesse de epidemiologistas e pesquisadores ⁴¹41. Jain R, Sontisirikit S, Iamsirithaworn S, Prendinger H. Prediction of dengue outbreaks based on disease surveillance, meteorological and socio-economic data. BMC Infect Dis 2019; 19:272.^,4242. Aleixo R, Kon F, Rocha R, Camargo MS, De Camargo RY. Predicting dengue outbreaks with explainable machine learning. https://ieeexplore.ieee.org/document/9826002 (acessado em 20/Out/2023).
https://ieeexplore.ieee.org/document/982... ^,4343. Sylvestre E, Joachim C, Cécilia-Joseph E, Bouzillé G, Campillo-Gimenez B, Cuggia M, et al. Data-driven methods for dengue prediction and surveillance using real-world and big data: a systematic review. PLoS Negl Trop Dis 2022; 16:e0010056.. A implementação de um sistema desse tipo possibilitaria a tomada de decisões relacionadas à prevenção e ao controle do vetor com base em dados, oferecendo maior previsibilidade e confiabilidade dos resultados. Para contextualizar essa necessidade, estima-se que de 40% a 72% da carga econômica da dengue esteja relacionada ao controle do vetor, mas não se sabe a real eficácia dessas ações, especialmente em locais onde os índices entomológicos não estão disponíveis ⁴⁰40. Siqueira Junior JB, Massad E, Lobao-Neto A, Kastner R, Oliver L, Gallagher E. Epidemiology and costs of dengue in Brazil: a systematic literature review. Int J Infect Dis 2022; 122:521-8.^,4444. Teich V, Arinelli R, Fahham L. Aedes aegypti e sociedade: o impacto econômico das arboviroses no Brasil. J Bras Econ Saúde 2017; 9:267-76.^,4545. Castro MC, Wilson ME, Bloom DE. Disease and economic burdens of dengue. Lancet Infect Dis 2017; 17:e70-8.. Dessa forma, por não ter um sistema de apoio amplo e facilitado, essas ações podem ser menos eficazes e mais custosas.

A análise produzida neste estudo, com o uso de DLNM, adequados à dinâmica do vetor e da doença ¹⁵15. Naish S, Dale P, Mackenzie JS, McBride J, Mengersen K, Tong S. Climate change and dengue: a critical and systematic review of quantitative modelling approaches. BMC Infect Dis 2014; 14:167. e com amostra temporal de dez anos, mostra-se como um grande ponto forte. Esse tipo de modelo, usado em inúmeras pesquisas ao redor do globo para o estudo da dengue ¹⁰10. Lowe R, Lee SA, O'Reilly KM, Brady OJ, Bastos L, Carrasco-Escobar G, et al. Combined effects of hydrometeorological hazards and urbanisation on dengue risk in Brazil: a spatiotemporal modelling study. Lancet Planet Health 2021; 5:e209-19.^,1313. Lowe R, Gasparrini A, Van Meerbeeck CJ, Lippi CA, Mahon R, Trotman AR, et al. Nonlinear and delayed impacts of climate on dengue risk in Barbados: a modelling study. PLoS Med 2018; 15:e1002613.^,3535. Ramadona AL, Lazuardi L, Hii YL, Holmner Å, Kusnanto H, Rocklöv J. Prediction of dengue outbreaks based on disease surveillance and meteorological data. PLoS One 2016; 11:e0152688.^,3636. Xu HY, Fu X, Lee LKH, Ma S, Goh KT, Wong J, et al. Statistical modeling reveals the effect of absolute humidity on dengue in Singapore. PLoS Negl Trop Dis 2014; 8:e2805., e a subsequente metanálise produzem resultados com alto grau de confiança. O uso de dados diários também adiciona valor ao estudo, que além de demonstrar a importância da temperatura mínima como um fator explicativo para a incidência da dengue, ainda permite que modelos semelhantes possam gerar valores preditivos para gestores de saúde a níveis regionais, o que facilita a escolha de recursos de saúde coletiva e otimiza gastos.

É importante ressaltar que os dados utilizados neste estudo são provenientes de fichas de notificações individuais, tratadas pelo Ministério da Saúde brasileiro. Essa fonte é a mais atualizada e de melhor verossimilhança da realidade, com grande consistência relacionada aos campos utilizados em diversas regiões do país ⁴⁶46. Barbosa JR, Barrado JCS, Zara ALSA, Siqueira JB. Avaliação da qualidade dos dados, valor preditivo positivo, oportunidade e representatividade do sistema de vigilância epidemiológica da dengue no Brasil, 2005 a 2009. Epidemiol Serv Saúde 2015; 24:49-58.^,4747. Marques CA, Siqueira MM, Portugal FB. Assessment of the lack of completeness of compulsory dengue fever notifications registered by a small municipality in Brazil. Ciênc Saúde Colet 2020; 25:891-900.^,4848. Assis VC, Amaral MPH, Mendonça AE. Análise da qualidade das notificações de dengue informadas no sistema de informação de agravos de notificação, na epidemia de 2010, em uma cidade polo da Zona da Mata de estado de Minas Gerais. Rev APS 2014; 17:429-37., por mais que ainda esteja sujeita a efeitos relacionados à subnotificação e má-classificação da doença. Além disso, em nosso estudo, optamos por utilizar a frequência das datas de notificação em vez de outra alternativa, como a data dos primeiros sintomas. Essa escolha foi baseada na grande consistência da variável ⁴⁶46. Barbosa JR, Barrado JCS, Zara ALSA, Siqueira JB. Avaliação da qualidade dos dados, valor preditivo positivo, oportunidade e representatividade do sistema de vigilância epidemiológica da dengue no Brasil, 2005 a 2009. Epidemiol Serv Saúde 2015; 24:49-58. e comparabilidade com outros estudos, além da capacidade de controlar esse fator por meio da inclusão do dia da semana no processo de modelagem.

Por sua vez, a alta heterogeneidade apresenta a maior limitação do estudo, que foi a incapacidade de verificar variáveis explicativas para as diferentes medidas de associação entre as microrregiões. Esse fato leva à necessidade de novos estudos que procurem utilizar variáveis relacionadas à prevenção da dengue em análise. Ademais, o estudo também causou uma análise descritiva de todas as microrregiões, contudo não foi capaz de exibir medidas associativas da mesma forma, em virtude da pequena quantidade de casos em determinadas regiões. Mesmo assim, por mais que grande parte das microrregiões onde isso foi percebido sejam locais com pequenas populações, na região mais fria do estado, foram excluídas algumas cidades com número de habitantes semelhantes à de outras microrregiões incluídas. Esse fato levanta a hipótese de que um dos motivos para que essas regiões mais frias tenham tão poucos casos possa ser justamente o fato de observarem temperaturas não condizentes com a dinâmica do vírus e do vetor durante boa parte do ano. Esse fenômeno também pode ser observado em regiões do Sul do Brasil, em que a incidência da dengue é muito menos intensa ⁴⁹49. de Azevedo TS, Lorenz C, Chiaravalloti-Neto F. Spatiotemporal evolution of dengue outbreaks in Brazil. Trans R Soc Trop Med Hyg 2020; 114:593-602..

Conclusão

Os resultados apresentados neste estudo demonstram que, nas microrregiões de Minas Gerais, a temperatura mínima do ar é um fator protetivo em temperaturas moderadas e extremamente frias, enquanto, em temperaturas quentes moderadas, ela passa a ser um fator de risco. Contudo, essa variável não é suficiente para explicar toda a variabilidade encontrada entre as microrregiões, sugerindo a presença de outros fatores não mensurados que afetam a dinâmica da doença. Portanto, estudos que incluam variáveis relacionadas a campanhas de saúde, tipo de urbanização e densidade habitacional - ausentes neste estudo - podem ser úteis para compreender melhor os fatores que influenciam a incidência da dengue em Minas Gerais.

Agradecimentos

Ao apoio da Universidade Federal de Juiz de Fora com uma bolsa de iniciação científica.

Referências

Datas de Publicação

Histórico